关于工作流在人工智能领域内的应用分析 原创

“ 工作流与RAG是大模型应用领域阶段性的产物。”

工作流是对工作流程及其各操作步骤之间业务规则的抽象和概括描述。它可以帮助组织和自动化重复性任务，提高工作效率。

智能体作为人工智能应用的一个主要技术形式，其重要性不言而喻；但同样智能体也并不是万能的，因此怎么更好的使用智能体，并串联相关技术环节就成为一个需要解决的问题。

而这就是工作流需要解决的问题，通过制定标准的执行流程，在不同节点使用不同的工具(智能体也是工具的一种)，来完成特定任务。

工作流与智能体

关于工作流技术并不是一个新兴的技术，在低代码概念出现之前，工作流就已经存在了；比如说自动化办公中的审批流，业务流等。

而工作流的主要目的就是使得工作流程化，解决部分或全部重复性，流程化的工作；其核心思想是让工作按照一定的规则或顺序执行。

因此，结合工作流的流程化能力，然后添加智能体强大的功能性，就可以组合出功能更加强大的智能体；以此，来提升我们的工作和学习效率。

工作流从技术的角度来看，其主要由执行引擎和节点构成，然后配合编排的功能进行实现。

而每个节点都需要有固定的输入与输出参数，工作流引擎不需要知道每个节点是怎么工作的；只需要每个节点能够接受上层节点传来的参数，然后处理输出成下层节点所需要的数据即可。

而在传统的工作流中，每个节点就是开发人员实现的一个功能函数，比如调用某个接口获取数据；而结合智能体之后，就可以把大模型的能力整合进工作流中，这样节点的功能就可以得到大模型的增强。

因此，简单来说智能体本质上就是工作流上的一个节点，只不过这个节点的功能比较强大；所以总体来说，工作流结合智能体，本质上是把低代码的思想应用于大模型的使用。

而目前对工作流，特别是与大模型结合比较好的平台有字节跳动的coze平台，开源的Dify和德国产的n8n等平台；当然，网上还有很多其它具备流程编排的平台或开源项目，但由于影响力有限，因此暂且不谈。

为什么要使用工作流？

由于大模型本身能力的限制，如幻觉问题，理解能力不足，缺少私域数据等问题；导致RAG(检索增强生成)和工作流等成为中间性的解决方案。

再加上人工智能的目的是通过自然语言交互让大模型帮我们解决各种问题，因此使用传统的开发方式使用大模型就不在是一个好的选择。

而有了工作流之后，就可以通过界面化操作，如拖拉拽的方式来设计和开发一个智能体或构建一个功能完整的互联网应用。因为，工作流本质上就是现在的低代码，只不过只能算半低代码而已。

所以，有了这种工作流平台之后，即使不懂编程技术的普通人，也可以通过平台来构建属于自己的大模型应用，最终实现商业化的目的。

本文转载自公众号AI探索时代 作者：DFires

原文链接：​​https://mp.weixin.qq.com/s/PHSdJubposh3VJj1EovV0Q​​